交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于支持向量机的交通视频人车识别研究

提出一种静止摄像机条件下车辆和行人的支持向量机(SVM)识别方法。首先根据背景差分法对监控视频中的运动目标进行检测,提取出运动目标的基本轮廓,然后利用数学形态学方法对目标进一步检测处理。用星形向量表示法对运动目标提取8个特征,以及高度、宽度和高宽比作为另外3个特征,通过构造SVM分类器,实现了基于SVM的图像分类和识别。实验结果表明,该方法能够在视频监控中快速准确地对运动的车辆和行人进行检测和分类,平均识别率达到96.97%。     

结合单双行人DPM模型的交通场景行人检测

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过LatentSVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.     

红外交通场景下遮挡行人目标检测算法研究

针对交通十字路口等视野盲区往来行人间存在遮挡情况,如何高效准确地检测复杂道路中目标行人具有实际意义。为了实现夜间交汇路口场景行人检测,提出一种基于改进YOLOv5的行人目标检测算法,采用Non local和PSA模块对YOLOv5原网络的Bottleneck CSP进行改进,能够有效弥补遮挡中行人特征的帧间信息交互过程,增强长程范围通道特征依赖关系。设计更深的160×160检测层和自适应anthor,提升夜间行人检测的边界回归精确度。实验结果表明,针对夜间下交通路口场景,压缩改进后模型对行人检测鲁棒性高,相较于原始算法mAP_0.5和mAP_0.5:0.95值分别提升了14.2和12.7,说明所提算法对夜间行人检测的有效性。     

行人闯红灯事件视频检测算法与实现

在回顾了现有的基于视频的行人检测研究成果之后,提出了一种基于历史信息和目标快速特征提取的行人闯红灯事件检测算法,并实际应用于位于上海内首个行人闯红灯报警系统中:首先对实时采集到的每时间单位的视频图像序列进行逐帧差分以过滤背景信息;接着对差分后的图像序列添加历史信息;进而对此图像中兴趣区域,采用线扫描的方法来对运动目标方向、轮廓、轨迹等特征进行快速提取、分析与识别,实现实时的人车分离辨识、行人位置确认和运动趋势预测。     

一种基于CENTRIST方法与显著图分割的行人检测方法

在智能监控系统中,行人是最为关键的目标对象.监控系统可根据当前捕获的行人检测结果,触发跟踪系统持续观察兴趣目标,从而给出兴趣目标的行为与状态信息.考虑到行人检测结果直接影响跟踪系统的输出,基于CENTRIST(Census Transform Histogram)方法的行人检测结果,采用显著图分割技术,将包含行人的前景区域与检测框内的背景区域分离开来,使得跟踪系统能够根据行人的主体运动部分做出准确判断,有效地缓解了背景区域以及行人局部运动(如手、脚运动)对跟踪结果的干扰.实验结果表明,该行人检测方法在提高后续跟踪模块准确率的同时,又能适用于实时性要求较高的智能视频监控系统.     

行人闯红灯事件视频检测算法与实现

在回顾了现有的基于视频的行人检测研究成果之后,提出了一种基于历史信息和目标快速特征提取的行人闯红灯事件检测算法,并实际应用于位于上海内首个行人闯红灯报警系统中：首先对实时采集到的每时间单位的视频图像序列进行逐帧差分以过滤背景信息;接着对差分后的图像序列添加历史信息;进而对此图像中兴趣区域,采用线扫描的方法来对运动目标方向、轮廓、轨迹等特征进行快速提取、分析与识别,实现实时的人车分离辨识、行人位置确认和运动趋势预测.     

语义增强引导特征重建的遮挡行人检测

行人被严重遮挡导致无法提取有效特征是行人检测中出现漏检的一个主要原因。为了解决该问题,提出一种语义增强引导特征重建的遮挡行人检测算法。首先,利用空间和通道之间的依赖性设计了语义特征增强模块,建立全局上下文信息用以增强遮挡行人特征。其次,为关注行人的可见区域,通过自适应特征重建模块生成语义分割图,自适应调整通道的有效权重,增强行人和背景的可判别性。最后,通过多层次级联语义特征增强和自适应特征重建两个模块得到多层次特征图,融合多特征用以最终的行人解析。实验结果表明,该方法在具有挑战性的行人检测基准CityPersons和Caltech上,对严重遮挡目标的漏检率分别实现了47.28%和44.04%,在遮挡行人的检测上相较于其他方法具有较好的鲁棒性。     

城市快速路监控视频中的行人检测方法

提出了一种用于检测进入城市快速路中行人的算法,先通过背景自动更新算法确定区域背景,接着利用背景减除法对运动物体进行分割获取场景中的运动目标区域,然后在颜色空间进行肤色检测,得到人脸候选区,再依据人脸形状信息剔除类似人脸肤色的运动物体,从而最后确认视频中运动的行人。实验结果表明,文中方法实时性较好,检测概率较高。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。     

行人动态实时监测系统的设计与实现

针对视频场景中行人动态信息监测的需求,设计实现了一种行人动态实时监测系统。首先,通过YOLOv3检测算法对场景中行人进行目标检测,在此基础上结合改进的KCF实现多行人目标的跟踪并获取对应下底边中心点。之后结合场景标定结果完成行人图像与三维空间位置监测、场景行人计数和行人行走速度等动态信息监测。通过实验表明,该系统不仅能够较好地完成视频场景下行人目标检测与跟踪,也能够精准完成以上信息动态实时监测的任务,为实际理论研究与工程应用奠定重要基础。     

基于双模全卷积网络的行人检测算法(特邀)

在近距离行人检测任务中,平衡算法的检测精度与检测速度对于检测算法的实际应用有着重要意义。为了快速并准确地检测出近景行人目标,提出了一种基于模型融合全卷积网络的行人检测算法。首先,通过全卷积检测网络对图像中的目标进行检测,得到一系列候选框;其次,通过弱监督训练的语义分割网络得到图像的像素级分类结果;最后,将候选框与像素级分类结果融合,完成检测。实验结果表明:算法在检测速度与精度方面都具有较高的性能。     

视频监控行人流量统计系统的设计

针对当前行人统计方式落后、非实时性、统计数据滞后等问题,文中提出采用智能视频监控、图像识别的方式实时统计行人流量。系统根据积分通道思想统计行人目标特征,通过Adaboost算法训练分类器对图像帧中的行人目标进行定位、识别。文中在已识别目标的基础上采用CPU多任务模型改进核相关滤波算法对目标进行实时跟踪、统计得到行人流量。测试结果表明,系统能实时识别、跟踪、统计行人目标,整体功能稳定,平均识别率为93%,改进多任务模型使得跟踪速率提高约20%。     

超高速运动目标回波及其对雷达检测的影响

超高速运动目标是现代雷达目标检测中遇到的新情况。文中建立了超高速运动目标的回波模型，得出其信号模型是一多项式调频信号。根据超高速运动目标回波信号的特点，给出了先进行多普勒处理再进行脉冲压缩的超高速运动目标检测方法。分析了目标的超高速运动对雷达目标检测的影响，并对理论分析进行了仿真验证。最后给出了问题的解决方向。     

一种适应运动前景的快速行人检测算法

针对智能监控视频中行人的运动特性和基本HOG加SVM人体检测算法的特点,将运动目标检测算法融入基本的HOG加SVM人体检测算法。首先,利用运动目标检测算法确定运动区域矩形窗,并扩大调整矩形窗尺寸获得ROI窗口;然后,根据运动区域尺寸与训练样本尺寸的差距调整ROI窗口的首级窗口缩放因子,并对ROI窗口进行人体检测。实验结果表明,本文算法优于基本的HOG加SVM人体检测算法,具有良好的实时性和适应性。     

复杂环境中车辆检测与跟踪方法的研究

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点,确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测;然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明,本文采用的车辆特征参数能够准确地检测车辆,并能准确地区分车辆和行人群体,车辆检测与跟踪准确率分别达到了96.7%和86.7%,证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。     

基于MIMO噪声雷达的高速运动目标检测

针对传统体制雷达对高速运动目标不能进行长时间有效相参积累检测问题,该文提出了一种基于MIMO噪声雷达的高速运动目标检测方法。该方法利用MIMO噪声雷达在短时间内输出的多路回波数据进行相参并行处理来取代回波数据的长时间相参积累检测,以避免距离走动,径向速度变化以及反射截面积(RCS)快起伏等非平稳因素对目标检测的影响,有效实现了多个高速运动目标的无模糊检测。仿真结果验证了MIMO噪声雷达在高速运动目标检测方面的优越性。